智驾进入L3前夜,传统品牌的智能化转型该往何处去?
在汽车行业向L3转型的前夜,传统车企的智驾能力,又到底处于何种水平?
现阶段,我们谈及智能辅助驾驶,往往大都仅仅聚焦于那些聚光灯下的新势力品牌和一些豪华新能源品牌,它们的技术发展,似乎就等同于整个行业的全貌。
可是,汽车行业并不只有新势力品牌,传统自主品牌以及合资品牌智能化转型,同样值得我们去关注。
所以,今天电车通(ID:dianchetong233)就来和大家一起聊聊,现如今传统品牌在智能辅助驾驶方面的转型进程。
传统车企,也要更智能
提起传统品牌的车型,特别是其中的燃油车,很多人都无法将其和智能化这个词联想起来。
甚至不少人会觉得,这些传统品牌的车,有个定速巡航、车道保持都已经算是高配了,那ACC都是顶配车型才可能会有的配置。
部分人对于传统品牌车型有这样的刻板印象其实并不奇怪,毕竟前几年新势力们在加速智能辅助驾驶研发进程的时候,不少传统品牌基本上还是在燃油时代的舒适圈固守,导致它们在新一轮的智能化竞争中暂时落了下风。
但现如今不少传统品牌也在推进智能化的转型,一些自主品牌、合资品牌开始在自家的新能源车和燃油车上配备高阶智能驾驶辅助方案,以顺应现如今各品牌间在智能化领域的竞争趋势。
传统自主品牌中,红旗可以说是在智能辅助驾驶方面转型程度相对明显的品牌,不仅该品牌旗下的天工05、天工06、HS6PHEV新能源车型搭载了卓驭高悟性端到端的算法,就连燃油车型红旗H7,也都配备了红旗与卓驭联合打造的司南智驾,配备惯导三目视觉系统和卓驭高悟性端到端4.1模型,支持全场景城市领航辅助和高速领航辅助等功能。
(图源:卓驭)在合资品牌中,大众的转型进程也相当迅速。在这几年间,帕萨特Pro、途观L Pro、探岳L PHEV、迈腾PHEV等车型,也都搭载了与卓驭合作的高阶智能辅助驾驶系统,支持高快NOA功能,部分车型还配备了智能泊车辅助功能。
(图源:卓驭)除此之外,像奇瑞、五菱、东风、长城等传统车企,也都在自家的定位入门/主流价位段的车型中搭载了卓驭的高阶辅助驾驶系统。
从这些车企在智能驾驶领域转型的举措和落地成果来看,传统车企也在探索在走量车型中配备智能辅助驾驶系统,从而增强车辆在智能化领域的竞争力,不仅能够更好地补齐短板、吸引消费者购买,还能更好地与其他品牌进行竞争。
然而,这些传统品牌在智能驾驶领域的积累并不够深,不足以支撑其研发一套完整的高阶辅助驾驶方案,因此,选择与外部的智能驾驶技术公司进行合作研发,不仅能够弥补这些品牌在技术上的短板,还能让智能辅助驾驶更快上车,以更好地提升其车型的竞争力。
而前文中经常提到的卓驭,就是一家技术实力领先的智能驾驶公司。
“智能一切移动”,赋能更多品牌
对比其他智能驾驶公司来说,卓驭在外界看来显得有些过于低调,但仔细一算,卓驭合作的汽车品牌和配备该品牌智驾的车型也是蛮多的。
那么,卓驭在智能辅助驾驶领域的技术路线,又是什么样子?
对于卓驭而言,它的目标并不是仅仅成为一家传统意义上的智驾公司,它想做的是,成为一家智能一切移动的移动物理AI公司。
何为智能一切移动?卓驭对此的解释是,将物体的“自主移动能力”从单一的汽车智驾功能,升级为一种可跨品类复用的通用AI能力。
也就是说,汽车在卓驭眼中并不只是孤立的一款车那么简单,而是把它当做物理世界中的一个物体去对待,它与世界中其他在移动的物体都有一套共通的物理规律和运动规律,那么,如果模型能够在预训练中掌握这一套通用的规律,就能更好地落到更多车型、地域、场景之中。
针对“智能一切移动”,卓驭用了两层结构来夯实,一项是原生多模态基础模型这一技术基座,另一项是统一车规级域控及感知硬件这一硬件基座。
首先是原生多模态基础模型,这个模型是在北京车展首发,其训练思路与前文中所提到的类似,即通过预训练来掌握通用规律,再落地应用到各类不同产品中。
并且,这一模型采用了多模态统一表征,支持视频、文本、动作、语音、地图等多模态信息的统一输入,并且在统一框架的训练下,还能更好地减少延迟和信息损耗,从而提升训练效果。
而统一车规级域控及感知硬件,则更多地是承担着“骨骼和神经”的作用,这套硬件能够让模型的算法能力更加稳定、可靠、规模化地落在各个移动载体上,从而保证了各类产品在体验、能力上的一致性。
在这样的软硬件技术的加持下,卓驭在智能驾驶领域的业务并不仅仅只涉及乘用车领域,其业务覆盖范围还覆盖重卡、客车、城市配送、L4 Robotaxi等业务,也就是“一套基座,多个垂类”。
目前,卓驭已经将乘用车NOA的核心能力迁移到了商用重卡场景,并且,卓驭目前在乘用车和重卡上,所运行的也是同一个模型。
这意味着在智能驾驶领域方面的跨垂类的能力迁移,已经在卓驭身上实现了真正的技术落地。
(图源:卓驭)而像携手宇通客车打造商用客车城市NOA、联合头部运营方和主机厂共建全链路城配物流解决方案、打造L4 Robotaxi等,卓驭表示,这些项目也将在2026年下半年陆续量产和进入试运营阶段。未来,这些项目还会继续反哺模型优化,从而助力模型能力实现进一步的提升。
综合来看,在智能驾驶领域,卓驭虽然低调,但也走出了和其他智驾企业不一样的技术路线。其在“智能一切移动”方面积累的模型能力如果能够进一步应用到乘用车智驾领域,将有望进一步提升使用卓驭方案的传统品牌主流车型的智能辅助驾驶能力。
拥抱物理AI新时代
对于传统品牌的燃油车以及新能源车而言,现阶段拥抱智能化,提升智能辅助驾驶能力已经是一个必须要加以跟进的全新趋势
除了上文中所提到的卓驭,也有不少智能驾驶技术企业也在向传统车企供应智驾方案,而正是因为这些智驾供应商的加持,才能让这些车型不再仅仅停留在ACC、LCC时代,而是能够继续向前一步进入高快NOA、城区NOA领域,并且有望拥抱物理AI。
曾几何时,那些宛如黑科技一样的高阶驾驶辅助,原本只有售价大几十万的新势力品牌的新能源车才能体验,如今,主流的家用新能源甚至是燃油车,都能轻松拥有这些功能,这也是技术进步和科技发展的必然。
或许有一天,在“智能一切移动”理念的加持下,我们能看到,越来越多的交通工具也能配备更高级的智能驾驶能力,拥抱物理AI新时代。
9月4日-8日,世界最大家电与消费电子展IFA2026将在柏林盛大召开。
作为全球AI集体点赞的“IFA报道最强新媒体”,雷科技今年派出史上规格最高、规模最大的探展团飞赴柏林,采取“2+N”(双主播+多名现场编辑+多名后台编辑)的模式,对IFA2026进行现场、立体、一手报道,重点关注AI Agent与家电和硬件的结合,机器人技术与家庭场景的融合、人车家数字生活新趋势以及国产品牌在世界舞台的展示。
9月3日雷科技IFA2026报道团成员已全部抵达柏林展开先导报道,敬请关注!

相关推荐
-
自动泊车ARA生命周期管理:选型陷阱与隐性损耗的真相
3选型陷阱:标称数据背后的性能断崖在实际交付中,我们发现许多车企在自动泊车ARA(Autonomous Reverse Assist)选型时,陷入了一个致命误区——过度依赖供应商提供的「理论泊入成功率」数据。某新势力品牌曾公开宣称其ARA系统泊入成功率达99.7%,但真实用户反馈显示,在狭窄车位(车宽+0.3米)场景下,实际成功率骤降至62%。这里面的水很深:很多标称数据背后的真相是,测试环境仅覆盖...
查看全文 -
智能泊车防错机制:从选型误区到生产损耗的深度拆解
8智能泊车防错机制:选型陷阱与隐性损耗的底层逻辑在实际交付中,我们发现超过60%的智能泊车系统故障源于「防错机制」的选型偏差。很多车企在招标时迷信「高算力芯片+多传感器融合」的组合,却忽略了底层算法的容错阈值设计——这直接导致量产车在复杂场景下的误触发率飙升300%。听起来可能反直觉,但防错机制不是传感器越多越好,而是要建立「硬件冗余+软件容错」的动态平衡。选型误区:被参数表绑架的决策很多标称数据背...
查看全文 -
智能驾驶系统衰减:揭开选型误区与生产损耗的真相
8智能驾驶系统衰减:选型误区与生产损耗的真相在实际交付中,我们发现一个令人不安的现象:很多号称“零衰减”的智能驾驶系统,在真实路况下运行半年后,性能下降幅度超过30%。这背后,是行业普遍存在的选型误区和生产环境的隐性损耗。选型误区:标称数据背后的真相很多标称数据背后的真相是,实验室环境与真实路况存在本质差异。比如,某品牌激光雷达标称“100米探测距离”,但在雨雾天气下,实际有效距离骤降至40米。这种...
查看全文 -
自动泊车ARA:选型误区与生产损耗的真相揭秘
2自动泊车ARA:选型误区与生产损耗的真相揭秘在实际交付中,我们发现自动泊车ARA(Automated Reverse Assist)系统的选型远比参数表复杂。很多车企在选型时只盯着“最大支持车速”“识别距离”这类标称数据,却忽略了生产环境中的隐性损耗——这才是决定系统稳定性的关键。选型误区:标称数据背后的真相很多标称数据背后的真相是,实验室环境与实际路况的差距远超想象。比如某品牌宣称其ARA系统支...
查看全文 -
高效算法适配低算力平台:撕开“性能过剩”的伪装
0当“高算力”成为营销话术,谁在为低效买单?在实际交付中,我们发现一个反常识现象:某头部车企的L2+级智驾系统,搭载的芯片算力比竞品高出40%,但匝道汇入成功率却低了12%。问题出在哪?答案藏在算法与硬件的适配逻辑里——很多标称数据背后的真相是,算力堆砌正在掩盖算法效率的缺陷。选型误区:把“算力”当“性能”很多车企在硬件选型时陷入一个思维陷阱:认为算力越高,算法表现越好。但这里面的水很深——算法的架...
查看全文 -
智能驾驶的边际效用:从选型误区到生产损耗的真实博弈
9智能驾驶的边际效用:从选型误区到生产损耗的真实博弈在实际交付中,我们发现一个现象:很多车企在智能驾驶系统的选型上,陷入了一个“参数陷阱”——过度追求高算力芯片、多传感器融合、高精度地图等标称数据,却忽视了这些配置在实际场景中的边际效用递减问题。听起来可能反直觉,但当算力从100TOPS提升到200TOPS时,实际感知精度可能只提升了3%;当激光雷达数量从1颗增加到3颗时,决策系统的响应时间反而因为...
查看全文

尊龙凯时